摘要

深度学习架构在需要逐步学习新任务时，由于灾难性遗忘（Catastrophic Forgetting）而表现出性能的显著下降。当前的增量学习框架主要集中在图像分类和目标检测上，而在本研究中，我们正式引入了语义分割中的增量学习问题，其中考虑了像素级标签。为了解决这一任务，我们提出将前一模型的知识蒸馏到当前模型中，以保留关于已学类别的信息，同时更新当前模型以学习新的类别。我们提出了多种方法，这些方法既作用于输出概率（logits），也作用于中间特征。与一些最近的框架不同，我们不会存储任何来自已学类别的图像，并且只需保留最后一个模型即可在这些类别上保持高精度。在Pascal VOC2012数据集上的实验评估表明了所提方法的有效性。